Geri Dön

Application of machine learning algorithms in seismic fragility analysis of structures

Yapıların sismik kırılganlık analizinde makine öğrenme algoritmalarının uygulanması

PDF İndir

  1. Tez No: 834375
  2. Yazar: MOHAMED TAREQ MOHAMED SOLIMAN
  3. Danışmanlar: PROF. DR. UFUK YAZGAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Deprem Mühendisliği, İnşaat Mühendisliği, Earthquake Engineering, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yapı Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 136

Özet

Son yıllarda, olasılıksal deprem performans değerlendirmesi yöntemleri özellikle yapıların kırılganlık analizi konusu yoğun şekilde çalışılan bir alana dönüşmüştür. Kırılganlık analizi kapsamında, bir yapının belirli bir sarsıntı seviyesinde deprem etkisine maruz kalması halinde alacağı hasarın belirli bir hasar seviyesini aşması ihtimali değerlendirilir. Bu değerlendirmede, yapıya etkiyecek deprem etkisi ve yapının kritik taşıyıcı sistem özellikleriyle ilgili belirsizliklerin doğru şekilde göz önüne alınması önem taşır. Bu kapsamda sıklıkla kullanılan yöntemlerden biri Monte Carlo simülasyonudur. Ancak deprem davranışının hesabı yoğun sayısal hesaplama gerektiren karmaşık yapılarda bu yöntem kullanıldığında bu yöntem önemli sayısal hesap zorluklarını da beraberinde getirir. Bu sorunu çözmek için mevcut literatürde çeşitli makine öğrenmesi algoritmaları, hesaplama gücü yoğun olan Monte Carlo simülasyon yaklaşımına alternatif olarak geliştirilmiştir. Makine öğrenimi tekniklerinin temel amacı, yapının deprem kırılganlık analizini yeterli sayısal doğruluk seviyesinde tahmin etmek ve hesaplama zorluklarını yönetilebilir seviyelere indirgemektir. Bu tez çalışmasının amacı, kapasite tasarımı ilkelerine uygun şekilde inşa edilmemiş ve deprem dayanımı yetersiz betonarme çerçeve yapılar için deprem kırılganlık modeleri oluşturulmasında makine öğrenimi algoritmalarının kullanımının avantajlarını ve kusurlarını keşfetmektir. Ek olarak, mevcut yöntemlerin sınırlamalarını aşmak için gelecekte araştırılması faydalı olabilecek konular da tespit çalışma kapsamında tespit edilerek tezde sunulmuştur. Çalışmadan elde edilen temel sonuç, deprem ve yapı mühendislerinin deprem etkilerine maruz kalan yapıların sebep olduğu risklerin daha doğru tespit edilmesinde makine öğrenimi yöntemlerinin uygun ve etkili kullanımının önemli faydalar sağlayabileceğidir. Bununla birlikte, göz önüne alınan yapının özelliklerine uygun olmayan yöntemlerin kullanılması durumunda hatalı sonuçlar elde edilmesi de olasıdır. Araştırmada incelenen yapı, birden fazla potansiyel hasar moduna sahip olan, deprem etkisi altında gevrek hasar modlarında göçme ihtimali bulunan betonarme bir çerçevedir. Yapının hasar modunu etkileyen kritik yapısal özellikleri rassal değişkenler olarak tanımlanmıştır. Referans kırılganlık modelinin geliştirilmesi amacıyla hasar sınır durum kriterlerinin rassal değişkenler olarak hesaba katıldığı durum için Monte Carlo simülasyon yaklaşımı kullanılarak kırılganlık hesabı yapılmıştır. Bu kapsamda yapı, sınır durum kriterlerinden biri tetiklenene kadar dinamik olarak uygulanan artımlı ölçeklendirilmiş bir dizi yer hareketi kaydına tabi tutulmuştur. Bu yer hareketi kayıtları, bir kayıttan diğer kayıda var olan değişkenliği yakalamak için seçilmiştir. Sonuçların istatistiksel değerlendirmesiyle her sınır durumu kombinasyonu için kırılganlık modeli oluşturulmuştur. Sonuç kırılganlık modeli ise, hasar sınırı aşılma olasılığı medyan değerlerinden elde edilmiştir. Yoğun hesap gerektiren Monte Carlo yaklaşımıyla elde edilen kırılganlık modeli referans model olarak göz önüne alınmıştır. Bu çalışmada ilk incelenen makine öğrenimi yöntemi Cevap Yüzeyi Yöntemi'dir (CYY). Bu yöntemin literatürdeki bir diğer adı da Tepki Yüzeyi Yöntemi'dir. CYY, belirli bir sistemin ürettiği cevabın girdi parametreleriyle ne şekilde değiştiğini araştırmak için oluşturulmuş analiz noktaları kümesini tanımlayan bir tasarım şemasına dayanmaktadır. Bu şema, az sayıda bir nokta kümesinde analizler yapıp bu analiz sonuçlarına polinom bir yüzey denklemi uyarlayı hedeflemektedir. Bu uyarlanmış denklemler, nihai kırılganlık modelini tanımlayan parametreler sağlar. Analizlerin yürütüldüğü az sayıda noktayı içeren küme, sınır durum kriterlerinin belirli bir bölgesini araştıran bir tasarım şemasına dayalı olarak oluşturulur. İkinci yöntem ise, insan beyninin çalışma prensiplerinden ilham alarak geliştirilen Yapay Sinir Ağları (YSA)'dir. Bu ağlar, eşit aralıklı bir veri noktası ızgarasından elde edilen verilerle eğitilir. Bu eşit aralıklı veriler, YSA yönteminin, CYY yöntemiyle aynı sınır durum kriterleri bölgesini kapsamasını hedefler. CYY yönteminde kullanılan polinom yüzey denklemi idealizasyonu YSA yönteminde kullanılmamaktadır. Bu nedenle, girdi parametreleri ve kırılganlık parametreleri arasındaki ilişkideki sert değişkenlik YSA yönteminde daha iyi yakalanabilmektedir. Bu tez kapsamında göz önüne alınmış yapı için bu durumun kırılganlık analizinde önemli avantaj sağladığı tespit edilmiştir. Bunun nedeni, yapının kırıklanlık özelliklerinin taşıyıcı sistem parametrelerine göre önemli seviyede hassasiyet göstermesi ve CYY yönteminde kullanılan basit yüzey polinom denkleminin bu ilişkiyi modellemede yetersiz kalmasıdır. Çalışmanın bulguları, Cevap Yüzey Yönteminin (CYY) düşük hesaplama süresi nedeniyle avantajlı olduğunu ortaya koymaktadır. Ancak, CYY, sınır durumu değişkenleri arasındaki doğrusal olmayan ilişkiyi yakalayamamaktadır. Örneğin, bir sınır durumunun çok düşük bir değerinde diğer sınır durumunu artırmak, diğer sınır durumu zaten tetiklendiği için kırılganlıkta önemsiz bir değişikliğe neden vermeliyken, CYY bunu yansıtamamaktadır. Doğrusallıktan sapmanın yakalanamaması, CYY'nin araya giren sınır durumları bölgesini orta varyanslı çan şeklinde bir eğri yerine düz bir bölge olarak temsil etmesiyle açıkça görülmektedir. Bunun yanı sıra, medyan kapasiteye karşılık gelen şiddet ölçüsü, referans modeline göre biraz kaydırılmıştır. CYY yönteminin sınırlarını daha ileri seviyede test etmek için, polinom denkleminin derecesinin arttırılması yaklaşımı test edilmiştir. Bu yöntem, eğitim veri noktalarında daha yüksek doğrulukta sonuç hesaplanmasını sağlamıştır, ancak test veri noktalarındaki hataları büyütmüştür. Ek olarak, nihai kırılganlık modeli önemli ölçüde iyileştirilmemiştir. Ayrıca, polinom denkleminin derecesini artırmak için daha fazla analiz noktasına ihtiyaç duyulmaktadır ve bu da daha fazla hesaplama gücü gerektirmektedir. Bu dezavantajlar, konvensiyonel Monte-Carlo Simülasyon yöntemi yerine bir alternatif olarak CYY'nin kullanımında ek zorluklar ortaya çıkarır. Bununla birlikte, bu dezavantajlara rağmen, CYY belirli bağlamlarda meta-değişkenler ve çıktı değişkenleri arasındaki ilişkileri modellemek için yararlı bir yöntem olmaya devam etmektedir. Örneğin, tek potansiyel çökme modu olan, değişkenler arasındaki ilişki nispeten basit ve doğrusal olduğunda veya hesaplama gücü sınırlı olduğunda uygun olabilir. Yapıların kırılganlık analizinde için yapay sinir ağları (YSA) yöntemin kullanılmasının avantajı, yaklaşık polinom denklemlerine dayanmamasıdır. Bunun yerine, eğitim verileriyle eşleşmesi için değişebilen ağırlıklara sahip nöronları kullanır. YSA yönteminin önemli bir başarısı, CYY'nin yakalayamadığı kırılganlık modeli parametreleri ile rastgele değişkenler arasında var olan üst mertebeden doğrusal olmayan ilişkiyi yakalamayabilmesidir. Sonuç olarak, ortaya çıkan yüzey, plato bölgesi olarak bilinen çok düşük meta-değişken değerlerde istendiği gibi düzleşir. Ek olarak, YSA ve CYY modelleri tarafından üretilen artıkların tüm şiddet ölçüsün seviyeleri üzerinde tartışılmaktadır. YSA yöntemi, tüm şiddet ölçümleri seviyelerinde daha az çökme olasılığı artık ürettiği bulunmuştur. Bundan dolayı, YSA yöntemi, yeni bir kombinasyondan çökme olasılığını oldukça iyi bir doğruluk düzeyiyle tahmin edebilmektedir. Diğer yandan, CYY modeli daha büyük artıklar sağlamıştır. Bunun nedeni, eğrisinin pürüzsüzlüğü nedeniyle sistemin doğrusal olmayanlıklarını yakalama yeteneğinin sınırlanmasıdır. Ayrıca, yapay sinir ağı (YSA) yöntemi, CYY'ye kıyasla daha güvenilir bir nihai kırılganlık modeli üretebilmektedir. Makine öğrenimi yöntemlerinin her biri kendisine özgü hesaplama zorlukları tez kapsamında kıyaslamalı olarak tartışılmıştır. Konvensiyonel Monte-Carlo simülasyonu daha güvenilir sonuçlar sağlasa da yüksek hesaplama gücü gerektirdiğinden külfetli bir seçenektir. Çalışma kapsamında incelenmiş CYY, hesaplama açısından en verimli yöntem olarak bulunmuştur. Öte yandan, YSA, Monte-Carlo simülasyonuna göre daha az hesaplama gücüyle referans kırılganlık modelinin daha yüksek doğruluk tahminlerini sağlamaktadır. Ancak, YSA kullanmak, daha az gelişmiş makine öğrenimi algoritmalarından daha fazla hesaplama gücü gerektirmektedir. Bu sorunu hafifletmek için bir duyarlılık analizi yapılmıştır ve bu analiz, tutarlı bir son kırılganlık modeli oluşturmak için en az 49 sınır durumu kombinasyonuna ihtiyaç olduğunu ortaya koymuştur. Bu durumda, YSA için 3 saatlik bir hesaplama süresine ihtiyaç duyulmuştur. Bu yöntem, hala Monte-Carlo simülasyonuna göre zaman tasarrufu sağlamaktadır, ancak uygulanması 32 dakika süren bir uygulama CYY yöntemiyle karşılaştırıldığında, CYY yönteminden daha külfetlidir. Bu bulgu, YSA'nın çoklu serbestlik derecesine ve karmaşık yapılar için daha da geliştirilmesinin gerekli olduğunu göstermektedir.

Özet (Çeviri)

Probabilistic performance-based seismic assessment has become a popular research area in recent years, particularly the fragility analysis of structures. This type of analysis provides the probability of a structure exceeding a damage limit state when subjected to shaking with a certain ground motion intensity. However, it can be a cumbersome process, especially when using the Monte Carlo Simulation approach to account for uncertainties. To overcome this issue, machine learning algorithms have been introduced in the literature as an alternative to the computationally expensive crude Monte Carlo simulation approach. The primary goal of machine learning techniques is to estimate seismic performance with a reliable degree of accuracy while minimizing the computational effort to a manageable level. The structure examined in our research is designed to have multiple potential failure modes, which are associated with resistance capacities that are a function of random variables. With the aim of developing the benchmark fragility model for the structure that has a random variation of the limit capacities; Monte Carlo simulation approach is utilized. The structure is subjected to a set of incrementally scaled ground motion records that are dynamically applied until one of the limit-state criteria is triggered. This set of ground motion records is selected to capture record-to-record variability. Based on the statistical evaluation of the results, fragility models are developed for each limit state. As the index parameter for comparison, the medians of the final fragility models are considered. First machine learning technique examined in our study is known as the Response Surface Method (RSM). RSM aims to provide attributes that define the final fragility curve by fitting a polynomial equation based on a limited number of simulations that correspond to alternative combinations of random variable values. The value combinations are based on a design scheme that covers a specific zone within the domain of random variables. The second machine learning technique that is considered is known as artificial neural networks (ANN). ANN is inspired by how human brains work. In this study, thee networks are trained on data that are obtained from an evenly-spaced grid of data points. This grid enables the ANN to capture the variation of fragility model parameters over a specific zone within in the domain of random variables. The findings of the study reveal that the Response Surface Method (RSM) is a simpler strategy for developing fragility models as compared to the Monte Carlo method but it may also provide final fragility models that are less reliable. Due to the fact that the structure in our study is prone to multiple failure modes, the relationship between the meta-variables and the fragility model parameters is highly nonlinear. This nonlinearity poses additional challenges in the use of the RSM as an alternative to the conventional Monte Carlo-based Incremental Dynamic Analysis (IDA). This is because the RSM fails to capture the nonlinear interference of the controlling limit state at the edges of the random variable domain. On the other hand, the artificial neural network (ANN) approach is able to yield a more reliable final fragility model compared to the RSM. Moreover, the ANN approach is able to capture the highly nonlinear relationship that exists between the fragility model parameters and the random variables, which is a limitation of the RSM. One reason for this privilege is ANN does not rely on an approximate polynomial equation but instead utilizes the estimates obtained directly by training the network.

Benzer Tezler

  1. Tez No

    894316

    Application of machine learning algorithms in seismic fragility analysis of structures

    Yapıların sismik kırılganlık analizinde makine öğrenme algoritmalarının uygulanması

    MOHAMED TAREQ MOHAMED SOLIMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Deprem Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. UFUK YAZGAN

  2. Tez No

    731292

    Deprem etkisinde taban yalıtımlı bina tasarımı ve makine öğrenmesi algoritmalarıyla deplasman doğruluklarının tespiti

    Base isolated building design under the effect of earthquake, and the calculation of displacement accuracy with machine learning algorithms

    AHMET KARAKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Deprem Mühendisliğiİstanbul Teknik Üniversitesi

    Deprem Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BEYZA TAŞKIN AKGÜL

  3. Tez No

    796045

    Kuzey anadolu fay zonu depremsellik dinamiğinin makine öğrenmesi algoritmaları kullanılarak incelenmesi

    An investigation of north anatolian fault zone seismicity dynamics using machine learning algorithms

    ELJAN SİMURATLİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Fizik ve Fizik Mühendisliğiİstanbul Üniversitesi

    Fizik Ana Bilim Dalı

    DOÇ. DR. FATMA AYDOĞMUŞ ŞEN

    DR. ÖĞR. ÜYESİ YEŞİM ÖNİZ

  4. Tez No

    722237

    Seismic first arrival traveltime inversion harnessing physics informed neural networks

    Fizik bilgili sinir ağları kullanarak sismik ilk varış seyahat süresi ters çözümü

    İSA EREN YILDIRIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Jeofizik MühendisliğiOrta Doğu Teknik Üniversitesi

    Bilimsel Hesaplama Ana Bilim Dalı

    PROF. DR. ÖMÜR UĞUR

    DR. ÖĞR. ÜYESİ UMAİR BİN WAHEED

  5. Tez No

    828745

    Novel approach for earthquake prediction and seismic-quality factor estimation using machine learning models

    Başlık çevirisi yok

    RAAD M.SAEED AHMEDTHABIT

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    İnşaat MühendisliğiAltınbaş Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEPANTA NAİMİ

Geri Dön